快速搭建TensorFlow目标检测框架并训练自己的数据集

最新推荐文章于 2021-11-09 10:32:46 发布
最新推荐文章于 2021-11-09 10:32:46 发布
阅读量773 收藏 12
点赞数
分类专栏： 教程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36643282/article/details/105090067
版权

安装anaconda

前往anaconda清华镜像站下载最新版本
可参考我的博文anaconda简单入门

创建python3.6环境

非常不建议使用windows，因为学界、工业界tensorflow基本上都是linux环境，windows各种工具bug调试麻烦多多。笔者很早就完成了ubuntu 18.04的教程，windows又花了很多时间解决BUG
linux,macos系统使用terminal，windows用户使用cmd执行下列命令
目前tensorflow1.12版本最高支持到python3.6

conda create -n py3.6 python=3.6 #py3.6是自己为环境起的 名字，可以自己起容易记的

安装TensorFlow

  • 如果有nvidia显卡，可安装TensorFlowGPU版本。先行安装nvidia新版本驱动
    驱动安装完成后

-1. 进入py3.6环境

conda activate py3.6

-2. 安装TensorFlow-gpu

conda install tensorflow-gpu=1.12

这里我指定安装了最新版的（1.12）tensorflow，conda会自行在py3.6这个虚拟环境中安装cudatoolkit和cudnn等环境，所以不需要像很多教程那样自行安装cuda和cudnn。

  • 无nvidia显卡，可安装TensorFlow cpu版本
    -1. 进入py3.6环境
conda activate py3.6

-2. 安装Tensorflow

conda intstall tensorflow=1.12

测试TensorFlow是否安装成功

输入

python
在>>>后输入import tensorflow as tf

如果不报错，说明安装成功

下载TensorFlow目标检测api

tensorflow附带了一些样例和示范代码，我们在示范代码的基础上做修改，训练自己的目标检测模型
首先需要电脑安装过git工具，windows用户一般不会自带，前往git官网下载安装成功后即可使用

  • 进入自己打算存项目的目录，执行git clone git@github.com:tensorflow/models.git可将官方models目录下载下来，但是因为github在国内下载缓慢，官方目录有多处错误，并且需要自己编写很多代码，我在这里将我已经编写好很多脚本的代码上传到国内的coding,输入
git clone https://git.dev.tencent.com/MachinePlay/models.git

安装api

  • ubuntu 用户可以提前一键安装后续需要的软件
安装前可以先把源换了
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
sudo apt-get install protobuf-compiler python-pil python-lxml
 pip install jupyter,matplotlib,pillow,lxml

进入models/research/目录

linux用户可以直接输入下列命令，将protobuf编译完成

protoc object_detection/protos/*.proto --python_out=.
  • windows用户需按下列步骤手动安装（真累啊）
安装前可以先把源换了
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install pillow
pip install lxml
pip install jupyter
pip install matplotlib

进入models/research/目录 ，手动编译.proto文件,共29个，一个一个输入

protoc object_detection/protos/anchor_generator.proto --python_out=.
protoc object_detection/protos/argmax_matcher.proto --python_out=.
protoc object_detection/protos/bipartite_matcher.proto --python_out=.
protoc object_detection/protos/box_coder.proto --python_out=.
protoc object_detection/protos/box_predictor.proto --python_out=.
protoc object_detection/protos/eval.proto --python_out=.
protoc object_detection/protos/faster_rcnn.proto --python_out=.
protoc object_detection/protos/faster_rcnn_box_coder.proto --python_out=.
protoc object_detection/protos/graph_rewriter.proto --python_out=.
protoc object_detection/protos/grid_anchor_generator.proto --python_out=.
protoc object_detection/protos/hyperparams.proto --python_out=.
protoc object_detection/protos/image_resizer.proto --python_out=.
protoc object_detection/protos/input_reader.proto --python_out=.
protoc object_detection/protos/keypoint_box_coder.proto --python_out=.
protoc object_detection/protos/losses.proto --python_out=.
protoc object_detection/protos/matcher.proto --python_out=.
protoc object_detection/protos/mean_stddev_box_coder.proto --python_out=.
protoc object_detection/protos/model.proto --python_out=.
protoc object_detection/protos/multiscale_anchor_generator.proto --python_out=.
protoc object_detection/protos/optimizer.proto --python_out=.
protoc object_detection/protos/pipeline.proto --python_out=.
protoc object_detection/protos/post_processing.proto --python_out=.
protoc object_detection/protos/preprocessor.proto --python_out=.
protoc object_detection/protos/region_similarity_calculator.proto --python_out=.
protoc object_detection/protos/square_box_coder.proto --python_out=.
protoc object_detection/protos/ssd.proto --python_out=.
protoc object_detection/protos/ssd_anchor_generator.proto --python_out=.
protoc object_detection/protos/string_int_label_map.proto --python_out=.
protoc object_detection/protos/train.proto --python_out=.

接下来把装好的object_detection加入系统环境变量

  • linux
    vim ~/.bashrc 进入环境配置
    在最后一行加入
export PYTHONPATH=$PYTHONPATH:pwd:pwd/slim

其中'pwd'替换为当前research路径
关闭终端，重新进入环境即可

  • windows
    进入models/research文件夹
    输入
python setup.py install

进入models/research/slim文件夹
输入

python setup.py install

  • 然后按下列步骤将research文件夹和slim文件夹加入系统变量
    进入资源管理器，右键点击属性


    4064394-730911b6f2f5bbe4.png

    点击高级系统设置


    4064394-cb6b00d2ecc7ab97.png
    image.png

    点击环境变量设置
    4064394-5b66ef70da1d0685.png
    image.png

    找到path，点击编辑

    将research文件夹路径和slim路径加入后面，路径换成你自己的


    4064394-5a6ba64dcc423f6d.png
    image.png

    点击确定，重新打开cmd，进入环境

测试是否安装成功

进入models/research/slim文件夹，输入

python object_detection/builders/model_builder_test.py

显示OK，即安装成功


4064394-e335b54ddec53a40.png
image.png

到此为止，TensorFlow就安装成功了

数据集制作

使用labelimg制作好pascal voc格式数据集
一般包含这三个文件夹,其父文件夹叫做VOC2007


4064394-c8ef883e820b1abd.png
image.png

请将这三个文件夹拷出，放在models\research\object_detection\voc\VOCdevkit文件夹中


4064394-cb0b9fe9f34411a2.png
image.png

数据集转换

需要把voc格式数据处理为tensorflow支持的tfrecord格式
Tensorflow对象检测API必须使用TFRecord的档案格式，我用的是2007年的数据集, 目录如下，格式转换脚本我放在了object_detection文件夹内

4064394-6cb65e2170a6dca8.png
image.png

首先需要更改 pascal_label_map.pbtxt文件，该文件样例在目录 models/research/object_detection/data/pascal_label_map.pbtxt下，存储着标签信息
将标签信息更改为自己制作数据集对应的字符，不要多也不要少，如图所示，这里我要识别分类的是图片内容的含水量百分比，共有四类，0%，20%。60%，100%所以修改了对应的name，id从1开始，有多少类要全部写上，可复制一份到voc/trainfcn中
4064394-470dee8b857f743c.png
image.png

在object_detection目录下，输入如下命令制作训练集

python create_pascal-tf_record.py --data_dir=VOCdevkit路径 --year=VOC2007 --set=train --outpath=转换后数据存放路径/文件名.record

其中 create_pascal-tf_record.py脚本用来将voc格式数据集转换为tfrecord文件，供tensorflow读取，year指定其格式与2007年的voc一致，即上文图所示的结构，set=train表示制作的是训练集，outpath=后面是转换后tfrecord文件存储的位置，出现waring不要紧没关系，不报错就行
例如我的路径如下，我后面会把所有文件存放到voc/trainfcn/文件夹中（注意系统不同路径表示方法不同：斜杠和反斜杠）

python create_pascal_tf_record.py --data_dir=C:/code/project/tfrock/models/research/object_detection/voc/VOCdevkit --year=VOC2007 --set=train --output_path=voc/trainfcn/pascal_val.record

在object_detection目录下，输入如下命令制作测试集

python create_pascal-tf_record.py --data_dir=VOCdevkit路径 --year=VOC2007 --set=val --outpath=转换后数据存放路径/文件名.record

例如我的路径如下

python create_pascal_tf_record.py --data_dir=C:/code/project/tfrock/models/research/object_detection/voc/VOCdevkit --year=VOC2007 --set=val --output_path=voc/trainfcn/pascal_val.record

我一般将训练集命名为train.record，测试集命名为val.record,并且存放在以模型命名的文件夹中。方便以后使用。

选择模型开始训练

接下来可以去网上下载网络模型或者自己编写模型开始训练，我在models/research/object_detection/voc文件夹里预置了Faster-RCNN RESNET101的预训练网络模型，可供使用
可以前往MODEL ZOO下载一些非官方预训练的网络模型,或者在网络自行查找下载

修改模型配置

首先可以看到我将Faster-RCNN RESNET101放在了voc文件夹下并完成解压


4064394-036c80976f040b79.png
image.png

内部结构如下


4064394-0a877b455a162163.png
image.png

其中checkhpoint记录了上一次训练断点位置，.pb文件是训练完成后保存下来供调用的模型，ckpt之类是训练中途保存的断点文件。pipeline.config是该网络的配置，理论上一开始网络模型里只有一个网络配置文件，我们要从头开始训练（参数从随机开始），其他文件都是训练过程中生成的。这里我们下载了别人已经预训练的模型（已经有比较靠谱的参数），并作为初始化。
  • 首先从object_detection/samples/configs/里找到对应模型的配置文件样例，修改它（给的是样例，如果是自己写的模型或别处下载的模型，配置文件就要全部自己写），例如我们找到faster_rcnn_resnet101_coco.config,把他复制到voc/trainfcn文件夹中，并修改。
  • 文件分成五个部分，
model模型的框架   meta-architecture, feature extractor…
train_config，定义 optimizer (Momentum, Adam, Adagrad…), fine-tune model
eval_config，定义valuation估值指标
train_input_config，定义作为训练数据集与标签映射路径
eval_input_config，定义作为估值数据集的路径与标签映射路径

主要修改这4部分

0.目标种类个数
num_classes: 4，改为自己的目标种类个数


4064394-12b7038208b3e934.png

例如我有四种，就改为4

1：自定义路径指定模型位置
fine_tune_checkpoint: “PATH_TO_BE_CONFIGURED/model.ckpt”
通常在进行训练时不会从头开始训练，大部份会利用别人已经训练好的参数来微调以减少训练的时间
fine_tune_checkpoint的数值为：你定义的faster_rcnn_resnet101_coco_2018_01_28位置（例如："object_detection/voc/faster_rcnn_resnet101_coco_2018_01_28/model.ckpt"）

4064394-0bf886e008478397.png
image.png

2：指定训练数据的label和record数据文件
label文件即我们刚刚修改过的标签映射文件，pascal_label_map.pbtxt
record文件：即pascal_train.record转换成tfrecord的训练集
train_input_reader: {
tf_record_input_reader { input_path: "PATH_TO_BE_CONFIGURED/pascal_train.record" }
label_map_path: "PATH_TO_BE_CONFIGURED/pascal_label_map.pbtxt"}


4064394-61a7b7e785668b09.png
image.png

3：指定测试数据的label和record数据文件
label文件即我们刚刚修改过的标签映射文件pascal_label_map.pbtxt
record文件：即pascal_val.record转换成tfrecord的训练集
eval_input_reader: {
tf_record_input_reader { input_path: "PATH_TO_BE_CONFIGURED/pascal_val.record" }
label_map_path: "PATH_TO_BE_CONFIGURED/pascal_label_map.pbtxt"
}


4064394-5a015dc03c66b0b8.png
image.png

另外修改eval_config,即验证集图片张数，可查看数据集中val数量修改


4064394-bb8e0b4498d5c1cd.png
image.png

到此为止模型配置完毕

开始训练

进入object_detection文件夹，输入

python train.py --logtostderr --pipeline_config_path=${定义的网络Config} --train_dir=${训练结果要存放的目录}

例如我的

python train.py --train_dir=voc\trainfcn\ --pipeline_config_path=voc\trainfcn\faster_rcnn_resnet101_voc07. config

开始训练，control+c可中断训练，中断后再次运行将会从最近的自动保存点继续训练，也就是如果训练了一天断电了，第二天在同一traiN_DIR训练时不会损失昨天的训练结果，除非你把train_dir内容全部删除
--logtostderr表示将log输出到stderr，我省略了会默认输出到train_dir中，方便查看


4064394-339297ae61cc4d72.png
image.png

查看训练过程

打开tensorboard可查看训练结果、损失函数情况等等
进入object_detection文件夹，输入

tensorboard --logdir=voc/trainfcn# 之前存放log的地方

浏览器登录127.0.1.1:6006可打开Tensorboard查看信息如下：


4064394-95a925c269718ae5.png
image.png

你的步骤从1开始，损失会高一些。 根据你的 GPU 和你有多少训练数据，这个过程需要不同的时间。 像 1080ti 这样的东西，应该只需要一个小时左右。 如果你有很多训练数据，则可能需要更长的时间。
停止迭代次数或者条件在设置文件里，可自行指定迭代步数或loss降到一定后停止，或强行中断
默认保存最近五次自动保存的训练结果，可以看到随着训练自动保存了到达一定步数的结果。
自动保存步数可自行设置


4064394-7aaffa9aaad7bd3d.png
image.png

还可以查看网络计算图、数据分布、测试结果等
4064394-6a7a0fcb32e7a855.png
image.png

4064394-3c588290ff0d3133.png
image.png

4064394-72dcfa0ad697a528.png
image.png

模型验证和模型保存

训练完成或中断后，可使用eval.py模型检验脚本来检验训练结果
首先我们可以看到训练的日志和最终的模型(默认保存了5个不同步数时的模型)都会保存在train_dir中

4064394-7aaffa9aaad7bd3d.png
image.png

这里会报错ModuleNotFoundError: No module named 'pycocotools'，因为我们确实没有安装pycocotools
所以我们先安装pycocotools windows和linux安装方法不同

  • linux：
pip install pycocotools 

pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

如图所示即为安装成功

4064394-656e9c846aaa3ffb.png
image.png

windows安装完成后仍然会报错 NameError: name 'unicode' is not defined
是因为windows下载的是基于python2的代码，其中unicode在python3中已经升级为str函数，需要修改源码
打开报错位置，我的如下图
4064394-b0a3551c1565b8ff.png
image.png

打开该文件，修改213行和352行的unicode修改为str
4064394-9fa421e9feadfba0.png
image.png

4064394-dbbbe1aa6d1a6efe.png
image.png

然后在object_detection目录下执行eval.py 检验训练结果

python eval.py 
    --logdir=${log目录}
    --pipeline_config_path=${定义的Config} \
    --checkpoint_dir=${训练模型存放的目录} \
    --eval_dir=${测试结果要存放的目录}

windows下使用依然会出现报错，但不影响结果，原因还未查明
例如我的命令是,我将检验结果也存放在trainfcn文件夹中（这样做其实容易混淆，建议将检验结果和log放在另一个目录，另外开启Tensorboard查看）

python eval.py --logdir=voc\trainfcn\ --pipeline_config_path=voc\trainfcn\faster_rcnn_resnet101_voc07.conf ig  --checkpoint_dir=voc\trainfcn\ --eval_dir=voc\trainfcn\

tensorboard出现image选项，可以查看结果，一般会将多次的checkpoint步数结果供查看


4064394-a5972e213a146f8b.png
image.png

同时命令行会给出评估结果mAP、AP等等


4064394-144faf21fd3b844a.png
image.png

最后是保存模型

经过多次训练，预览了一个你觉得最好的迭代次数保存下来的模型后，可以将该训练好的模型导出为pb文件，即Tensorflow的训练好的模型文件，可拷贝至其他机器供编程使用
该脚本名为export_inference_graph.py，脚本放在了object_detection目录下
使用方法：

 python export_inference_graph.py  --pipeline_config_path=voc\trainfcn\faster_rcnn_resnet101_voc07.config
--trained_checkpoint_prefix=voc\trainfcn\model.ckpt-10324 --output_directory voc\jieguo

其中model.ckpt-10324表示使用第10324步保存的模型。我们需要根据voc/trainfcn中你想要导出的checkpoint步数更改。output表示输出目录，这里我新建了输出目录结果，导出的模型会被存到里面

4064394-8fc0e1ec1a8ac85a.png

可以看到，导出的模型结构和我们最早下载的模型内容基本一致其中.pb文件就是模型本身了，该网络就包含了我们训练得出的全部参数

MachinePlay
关注
专栏目录
【目标检测】基于yolov4训练自己的数据集(附代码和数据集，保姆级教程)
学无止境、积少成多、厚积薄发
02-06 4112
手把手系列教程：基于yolov4训练自己的数据集(保姆级教程)
tensorflow训练自己的数据集
yuan0401yu的博客
10-25 4181
    开了好几次头，也不知道要说啥，就直接进入正题吧。 一直做的都不是图片处理，我的数据集都是矩阵，所以从哪导入矩阵，矩阵的正确格式就是关键问题了。一直都让我很困扰，研究几天终于调通了一个模型，有些心得体会想要分享给大家。   代码主要来源： https://blog.csdn.net/Enchanted_ZhouH/article/details/74116823?utm_sour...
tensorflow利用LeNet-5 训练自己的数据集
lpp5406813053的博客
02-26 6181
书上跟网络上的大部分实例都是使用已经封装好的 mnist 数据集来训练卷积神经网络。但是我想利用神经来训练自己的数据集，这时，问题就出现了，如何将自己的数据集导入到神经网络？ 把问题清晰的写下来，整个困难就已经解决了一半了。解决问题的思路如下： 将自己的数据集转换为 tensorflow 支持的神经网络输入格式 tfrecord 重建 LeNet-5 卷积神经网络 对神经网络进行训练 适用...
tensorflow-yolov3 训练自己的数据集
liu100286的博客
11-11 738
tensorflow-yolov3 训练自己的数据集 使用项目 https://github.com/YunYang1994/tensorflow-yolov3,感谢大神。 记录一下训练自己数据集的过程。环境使用ubt。 1.下载项目。 git clone https://github.com/YunYang1994/tensorflow-yolov3.git 安装过程参照项目说明。 2.下载标注工具 https://github.com/tzutalin/labelImg 安装过程参照项目说明。 3.修改
tensorflow2.x自建数据集训练
smallworldxyl的博客
10-19 1127
1.导入库 import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics from tensorflow.python.framework.convert_to_constants import convert_variables_to_constants_v2 import os import pathli
【Tensorflow】训练自己的数据集（windows+CPU）
酸梅果茶的博客
04-20 4391
文章目录一、个人申明二、电脑配置三、构建数据集步骤1：准备数据集步骤2：labelimg标注图片步骤3：图片标签统计步骤4：将XML文件转化成CSV文件步骤5：将CSV文件转化成tfrecord文件四、配置训练文件步骤6：配置my_label_map.pbtxt文件步骤7：配置object_detection文件步骤8：配置ssdlite_mobilenet_v2_coco.config模型步骤9...
自动生成目标检测和实例分割数据.zip_实例分割数据集制作,实例分割常用数据集
07-01
总的来说，这个压缩包提供了一个自动生成目标检测和实例分割数据的框架，通过Python脚本实现数据处理和增强，对于想要快速搭建相关模型的开发者来说，这是一个非常有价值的资源。用户可以根据自己的需求修改这些脚本...
LED_温控表目标检测数据集00.7z
10-21
常用的深度学习框架，如TensorFlow和PyTorch，都提供了方便的目标检测模型库，如YOLO、Faster R-CNN和SSD等，可以快速搭建和训练模型。 总而言之，"LED_温控表目标检测数据集00.7z"为研究者和开发者提供了一个实用...
YOLO盆栽植物检测数据集 pottedplant_VOCtrainval2012.zip
04-07
YOLO盆栽植物检测数据集是专为训练和评估针对盆栽植物的物体检测模型而设计的资源。这个数据集源自VOCtrainval2012数据集，它是一个广泛使用的计算机视觉数据集，包含了多个类别的物体。在这个特定的版本中，只保留...
摩托车电动车检测数据集，包含VOC和YOLO数据格式
09-23
为了充分利用这个数据集，你需要使用适当的深度学习框架，如TensorFlow、PyTorch或者Darknet，来构建和训练目标检测模型。模型的架构可能基于经典的YOLOv3或YOLOv4，或者更现代的版本如YOLOX。在训练过程中，你将...
Tensorflow 训练自己的数据集将数据直接导入到内存
09-20
主要介绍了Tensorflow 训练自己的数据集将数据直接导入到内存,小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
Tenosorflow基础学习---------Tensorflow训练自己的数据集
qq_39027890的博客
09-25 645
一般我们获得的数据集并非是提前处理好的二进制的格式文件，所以我们需要将数据集进行处理，当然我们这里说的数据集类似于猫狗大战那样的，并不是MNIST和CIFAR-10那样拿来就可以直接用的，而且提前分类和标签的数据集，只不过给的是大量的图片，一般都是比赛提供方给的数据集，而对于这样的数据集当然不可能整张输入和读取，这样不仅的数据不仅数据量大，需要大量的内存消耗，而且时间也是相当的慢，于是在tenso...
Tensorflow用自己的数据集训练模型
hijacklei的博客
06-22 1699
Tensorflow slim 最近在做这个迁移学习，看了一本书，叫《21个项目玩转深度学习》里面的第三章介绍如何用自己的数据集去训练自己的深度模型，当然了 这本书的python版本好像是2.x，用现在的3.会有一些bug,不过去网上都可以解决，在这里我搜到的第三章解决问题的链接添加链接描述基本都可以解决按照这个连接去解决，环境的问题自己去配置好就行。我的python版本是3.6.7，tensorflow是1.13.1。 根据书上的学习，首先是制作满足训练的数据集，自己可以搜集，然后生成tfrecord文
tensorflow 训练和测试自己的数据集
热门推荐
zhou894509的专栏
06-05 1万+
一、选择数据 数据集CelebA_CelebFaces_Attributes_Dataset：这个数据集包含20多万张图片，主要用于人脸属性，性别、年龄、眼镜、胡子等等。 我这里主要是训练人脸的性别，先将图片整理分类并归一化，生成TFRecord格式的数据（图片格式（224,224,3）），便于tensorflow训练。 整理的数据集在网盘上： https://pan.baidu.com/...
在TensorFlow中使用自定义数据集训练自己的模型
t01051的博客
11-09 6280
在TensorFlow中使用自定义数据集训练自己的模型写在前面的话一、自定义数据集的目录结构（以今年电赛数字识别为例）二、在TensorFlow中读取数据集2.1 获取所有图片的路径2.2 获取标签并转换为数字2.3 读取图片并进行相应的预处理2.4 打包图片与标签三、验证自定义数据集是否可用 写在前面的话     今年电赛终于结束了，身边不少小伙伴都选择了送药小车的题目，刚开始可能都觉得简单吧，循迹小车+数字识别就可以搞定。刚开始很多朋友都考虑使用OpenMv作为数
tensorflow 用自己的数据集训练CNN模型
zhaoluruoyan89的博客
07-26 4450
转载：https://blog.csdn.net/m0_37167788/article/details/79066487 最近用tensorflow训练自己的模型的时候发现，tensorflow官网上所给的例子，都是用处理好数据格式的mnist数据或者其他格式的数据，所以在训练自己的模型的时候的第一步就卡住了。所以上网搜索了相关的资料之后便得出了相关的解决方案（有好几种，这里只说明一种，另外有...
tensorflow训练自己的分类数据集
hust平凡之路 的博客
06-10 1134
参考博文 https://blog.csdn.net/Pit3369/article/details/105082439/
TensorFlow YOLOv3 训练自己的数据集，详细教程
weixin_43978056的博客
12-24 3024
TensorFlow YOLOv3 训练自己的数据集，详细教程 这个教程是我在网上查找资料写的，为了便于自己查看，将多篇博客内容总结当成学习自己的笔记，。如若有对某位作者造成侵权问题，请作者联系我删除，谢谢 ! 由于本人水平有限，如果文章有不当之处还望评论区指出。 本文参考了如下博客： https://blog.csdn.net/qq_38441692/article/details/103652760 一. 下载YOLOv3代码 在github上下载代码 ：https://github.com/YunYa
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值